引言
ERA5（the Fifth Generation of European Reanalysis）是欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts， ECMWF）推出的第五代再分析产品，包含大气、陆地和海洋200余种变量数据。ERA5-Land（the Land Component of ERA5）是ERA5的陆地表面产品数据集，包含自1980年以来全球50多个变量的高空间分辨率（0.1°×0.1°）和时间分辨率（1 h）数据且免费开放获取（Muoz-Sabater et al.， 2021）。近年来，诸多学者针对ERA5的降水要素精度开展了定量研究，发现ERA5降水资料能够基本反映降水的实际空间分布格局和季节变化特征但仍存在多种降水误差（Sharifi et al., 2019; 孙赫等, 2020; Amjad et al., 2020; Kolluru et al., 2020; Jiao et al., 2021）。比如，复杂地形会对ERA5降水数据的精度产生限制影响，且随着地形坡度的增加，ERA5的降水资料精度下降（Sharifi et al., 2019; Amjad et al., 2020；杨丽杰等，2022；张海耀等，2022）；干燥气候对ERA5的降水估计造成较大偏差（Kolluru et al., 2020）；在降水时间变化模拟方面，ERA5存在明显的季节性降水误差（Jiao et al., 2021），在夏秋季的准确性普遍低于冬春季（吕润清和李响，2021；刘婷婷等，2022）。以上研究强调了在水文气候学等应用中使用ERA5降水数据前需进行不同应用场景下的适用性评价。如果忽略ERA5的降水误差，会导致水文模拟中降水强迫径流与实际情况严重偏离（Khanal et al., 2021）。然而，现有研究大多将ERA5降水数据与实测站点进行直接对比，较少关注其在干旱监测等应用中的适用性评价。基于此，本文以中国气象局发布的逐日降水分析产品为标准数据，对ERA5-Land降水产品的精度及其在黄河流域干旱监测应用中的误差进行综合定量评价，为ERA5-Land模型算法改进和干旱监测应用提供科学参考。
1 数据和方法
1.1 研究区概况
黄河发源于青藏高原，流经青海、四川、甘肃、宁夏、内蒙古、陕西、山西、河南和山东9个省（区）。黄河流域位于中国中北部地区（32.15°N—41.87°N，95.87°E—119.07°E），流域长1 900 km，南北宽1 100 km，干流总长5 464 km，流域总面积约79.5万km2，占我国国土面积的8.28%（图1）。内蒙古托克托县河口镇以上为上游，河长3 472 km，流域面积38.6万km2；河口镇至河南桃花峪为中游，河长1 206 km，流域面积34.4万km2；河南桃花峪以下为下游，河长786 km，流域面积2.3万km2（孙永军，2008；唐梅英等，2022）。黄河流域地势起伏显著，主要包含青藏高原、内蒙古高原、黄土高原和黄淮海平原等地形区。流域大部地处干旱半干旱地区，以温带季风气候为主，年降水量为200~600 mm，呈东南多、西北少的空间格局，降水季节分布不均，春季少雨、夏季多雨、冬季干冷（周帅等，2019；王俊杰等，2022）。该地区水资源匮乏且分布不均，气候变化敏感性高，生态环境脆弱。受气候变化与人类活动共同影响，干旱事件频发，给流域生产生活和生态环境造成严重影响（史尚渝等，2020）。
图1
图1
黄河流域地形及气象站点空间分布
Fig.1
The terrain and spatial distribution of the meteorological stations in the Yellow River Basin
1.2 数据来源与处理
1.2.1 中国逐日降水分析产品
1981—2020年中国逐日降水分析产品（China Precipitation Analysis Product， CPAP）（0.25°×0.25°）来源于中国气象数据网（http://www.data.cma.cn），由国家气象信息中心和中国气象局基于2 400个气象站点降水数据结合最优插值技术得到。图1为黄河流域用于生成CPAP的气象站点分布。CPAP所用气象资料均经过极值检验、内部一致性检验和空间一致性检验的三级质量控制（Shen et al.， 2010），经独立验证发现，CPAP具有较高精度，在0.5°×0.5°空间尺度上相对误差为3.21％（Yan et al.， 2010）。该数据集已广泛应用于遥感降水误差评价的基准数据（Shen et al.， 2010；Guo et al.， 2016； Guo et al.， 2022）。本文将日尺度CPAP累加至月尺度，作为评价ERA5-Land数据的基准数据。
1.2.2 ERA5-Land资料
ERA5-Land降水产品空间分辨率为0.1°×0.1°，时间分辨率为小时和月两个版本，覆盖范围为90°S—90°N（Muoz-Sabater et al.， 2021）。本文使用1981—2020年ERA5-Land月尺度降水网格数据（https://cds.climate.copernicus.eu/），为保证数据空间一致性，利用ArcGIS软件的‘Aggregate’聚合工具，将空间分辨率0.1°×0.1°的ERA5-Land数据升尺度为0.25°×0.25°，以符合CPAP数据的空间分辨率。
1.3 方法
Mckee等（1993）在评估美国科罗拉多地区干旱状况时，提出了基于降水量的标准化降水指数（Standardized Precipitation Index， SPI），能够从多个时间尺度反馈干湿变化，其中1个月、3~6个月、9~24个月尺度的SPI分别用来表征气象干旱、农业干旱、水文干旱。SPI<0时表示降水低于多年平均水平，处于干旱状态，SPI>0则表示湿润状态，按照SPI大小可以将干湿状态划分8个等级（表1）（Zarch et al.，2015）。作为一种标准化的干旱指数，SPI主要关注降水的相对变化，而非其绝对量。在降水量存在整体性偏差的情况下，SPI能够忽略这种整体偏差，准确捕捉干湿变化情况。本文基于1981—2020年黄河流域降水数据，计算该流域1个月、3个月、6个月、12个月尺度的SPI，分别记为SPI1、SPI3、SPI6、SPI12。
表1 基于标准化降水指数（SPI）的干旱等级划分
Tab.1
| SPI | 干旱等级 |
|---|---|
| SPI≥2.0 | 极端湿润 |
| 1.5≤SPI<2.0 | 严重湿润 |
| 1.0≤SPI<1.5 | 中度湿润 |
| 0.0≤SPI<1.0 | 轻微湿润 |
| -1.0≤SPI<0.0 | 轻微干旱 |
| -1.5≤SPI<-1.0 | 中度干旱 |
| -2.0≤SPI<-1.5 | 严重干旱 |
| SPI<-2.0 | 极端干旱 |
在任一尺度下，当SPI连续3个月持续小于0，且SPI最小值小于-1时，认为发生一次干旱事件。本文基于3个月时间尺度SPI（SPI3）识别干旱事件（Zhang et al.， 2017； Bachmair et al.， 2018），并对干旱特征进行定量分析，包括干旱历时（Drought Duration， DD）、干旱严重度（Drought Severity， DS）、干旱烈度（Drought Intensity， DI）和干旱峰值（Drought Peak， DP）4个干旱特征指标（图2）。当SPI开始小于0的月份定义为干旱事件开始月份，而SPI恢复为0时的月份为干旱结束月份（即由干旱转为湿润状态），干旱结束月份与干旱开始月份差值即为干旱历时（DD）；干旱严重度（DS）为干旱期间所有SPI绝对值的累加，表示干旱总严重程度；干旱烈度（DI）为干旱严重度与干旱历时比值，表示干旱事件烈度；干旱峰值（DP）为干旱期间SPI最大绝对值，表示干旱最严重状态。
图2
研究区域内每个网格识别的干旱事件数量不同，无法直接对比不同地区干旱历时、干旱严重度和干旱烈度等，因此，对黄河流域内逐网格识别干旱事件后，分别统计其干旱频次，并对干旱历时、烈度、严重度和峰值4个干旱特征进行平均得到平均干旱历时（DDmean）、平均干旱严重度（DSmean）、平均干旱烈度（DImean）和平均干旱峰值（DPmean），具体公式如下：
式中：j表示干旱事件；N代表研究期间内识别的干旱事件总数；SPIi代表第i个月的SPI值。
采用相对误差（Relative Bias， RB）、皮尔逊相关系数（Correlation Coefficient， CC）、均方根误差（Root Mean Squre Error， RMSE）和比例均方根误差（Fractional Root Mean Square Error， FRMSE）作为评价ERA5-Land降水产品干旱监测适用性的基本指标，具体公式详见Guo等（2017）。
2 结果分析
2.1 降水误差评价
图3为1981—2020年黄河流域CPAP和ERA5-Land降水产品的多年平均月降水量空间分布。可以看出，黄河流域降水呈现东南多、西北少的基本格局，ERA5-Land降水产品能够反映出这种空间格局。然而，ERA5-Land降水产品在黄河流域上游和中游地区的南部以及黄河下游地区均存在明显的降水高估。
图3
图3
1981—2020年黄河流域CPAP（a）和ERA5-Land降水产品（b）多年平均月降水量空间分布（单位：mm）
Fig.3
The spatial distribution of multiyear mean monthly precipitation of CPAP （a） and ERA5-Land precipitation products （b） in the Yellow River Basin during 1981-2020 （Unit： mm）
图4为1981—2020年黄河流域CPAP和ERA5-Land降水量月际变化。可以看出，黄河流域的降水量呈现明显的季节性变化特征，其中冬季少雨，降水量集中于夏季，7月降水量最多。ERA5-Land能够有效反映黄河流域降水量的月际变化，但各月均存在不同程度高估，冬季降水量高估5~15 mm，而夏季高估10~20 mm。
图4
图4
1981—2020年黄河流域CPAP和ERA5-Land降水量月际变化
Fig.4
The monthly variation of precipitation of CPAP and ERA5-Land from 1981 to 2020 in the Yellow River Basin during 1981-2020
为定量评价ERA5-Land降水产品误差，针对黄河全流域及流域上游、中游和下游绘制CPAP和ERA5-Land降水量散点图并计算其相关系数、相对误差、均方根误差和比例均方根误差（图5）。可以看出，在黄河全流域，ERA5-Land降水产品与CPAP存在较高相关性（CC=0.90），散点主要位于1：1线上方，降水量越大，偏离程度越大。说明ERA5-Land降水产品在全流域存在降水量的系统性高估（相对误差为25.99%），且高估程度与降水量呈正比（RMSE=13.77 mm，FRMSE=0.27）。ERA5-Land降水产品对3个子流域降水量均存在一定程度高估，其中上游降水量误差最大，相对误差为30.26%；中游次之，相对误差为22.28%；下游最低，相对误差为9.07%。从ERA5-Land降水产品与CPAP的相关性看，ERA5-Land降水产品在上游和中游表现较好，CC分别为0.93和0.84，而下游CC仅0.60。尽管下游CC较低，但RMSE和FRMSE并不高（RMSE=6.26 mm、FRMSE=0.11）。这种现象归结于两方面原因：一方面，下游降水量较多，ERA5-Land降水产品在降水量多的地区误差相对较大；另一方面，下游地区面积小、样本量少，对相关系数和均方根误差的计算存在一定影响。
图5
图5
1981—2020年黄河流域不同区域CPAP和ERA5-Land降水产品多年平均月降水量散点图
（a）全流域，（b）上游，（c）中游，（d）下游
Fig.5
The scatterplots of multiyear mean monthly precipitation between CPAP and ERA5-Land precipitation products in different areas of the Yellow River Basin during 1981-2020
（a） the whole basin， （b） the upper reaches， （c） the middle reaches， （d） the lower reaches
图6
图6
1981—2020年黄河流域不同区域CPAP和ERA5-Land平均降水量逐月变化
（a）全流域，（b）上游，（c）中游，（d）下游
Fig.6
The monthly variations of mean precipitation in different areas of the Yellow River Basin of CPAP and ERA5-Land during 1981-2020
（a） the whole basin， （b） the upper reaches， （c） the middle reaches， （d） the lower reaches
2.2 SPI误差评价
为评价ERA5-Land降水产品在干湿变化方面的表现，分别对SPI1、SPI3、SPI6和SPI12的区域平均SPI值进行对比（图7）。可以看出，时间尺度越小，SPI振幅越大、频次越高。ERA5-Land降水产品能够有效捕捉不同时间尺度下大部分的干湿变化情况，但对干湿变化的频次和幅度均存在明显的高（低）估现象。不同时间尺度下，2006年以前，ERA5-Land降水产品倾向于低估干旱状态而高估湿润状态，2006年之后则相反，这种现象随着时间尺度增大而愈加明显。以3个月时间尺度为例[图7（b）]，1999年CPAP数据显示黄河流域经历了一次严重的干旱事件，流域平均的SPI最低值达-2.27。尽管ERA5-Land也能检测到此次干旱事件，但明显低估了干旱的程度，其流域平均SPI最低值仅为-1.07。2015年夏秋季ERA5-Land虽然能够捕捉到干旱事件的发生，但与基于CPAP计算的结果相比，其存在干旱程度的高估。基于CPAP计算的流域平均SPI最小值为-0.83，而ERA5-Land计算的流域平均SPI最小值则为-1.27。总体上，ERA5-Land降水产品的表现随着时间尺度增大而变差，相关系数从SPI1的0.80降低到SPI12的0.38，而RMSE则从SPI1的0.39增加至SPI12的0.60。
图7
图7
1981—2020年黄河流域不同时间尺度基于CPAP和ERA5-Land降水产品的区域平均SPI对比
（a）SPI1，（b）SPI3，（c）SPI6，（d）SPI12
Fig.7
The comparison of regional mean SPI with different time scales in the Yellow River Basin during 1981-2020
（a） SPI1， （b） SPI3， （c） SPI6， （d） SPI12
2.3 干旱事件特征误差评价
2.3.1 多事件平均干旱特征误差评价
为衡量ERA5-Land降水产品对干旱事件特征的捕捉能力，逐网格分别提取1981—2020年黄河流域基于CPAP和ERA5-Land降水产品的所有干旱事件，并对比其干旱特征空间分布（图8）。可以看出，过去40 a黄河流域上游干旱频次较少但干旱历时相对较长，而中下游干旱频次较多但干旱历时相对较短[图8（a）、（c）]。经统计，1981—2020年，CPAP在上游地区的平均干旱频次约为24.96次，平均历时约为6.73个月，而中游和下游干旱频次分别为27.53、26.72次，平均历时分别为5.83、6.05个月。在黄河流域，CPAP和ERA5-Land监测到的平均干旱频次分别为25.92、26.70次，平均历时分别为6.39、6.02个月。ERA5-Land降水产品明显高估黄河流域干旱频次而低估干旱历时[图8（b）、（d）]。黄河流域在上游西北部和中游东南部地区干旱严重度较高且烈度较大[图8（e）]。上游西北部地区，ERA5-Land降水产品能够有效捕捉干旱事件的严重度，而在中游东南部地区则低估对应干旱事件的严重度[图8（f）]，同时对中下游的干旱烈度存在低估[图8（g）、（h）]。值得注意的是，ERA5-Land对干旱频次的高估可能与2006年以后SPI值的明显低估有关。
图8
图8
1981—2020年黄河流域基于CPAP（a、c、e、g）和ERA5-Land降水产品（b、d、f、h）的干旱频次（a、b，单位：次）、平均干旱历时（c、d，单位：月）、平均干旱严重度（e、f）及平均干旱烈度（g、h）空间分布
Fig.8
The spatial distribution of drought frequency （a， b， Unit： times）， average drought duration （c， d， Unit： month number）， average drought severity （e， f） and average drought intensity （g， h） based on CPAP and ERA5-Land precipitation products in the Yellow River Basin during 1981-2020
2.3.2 典型干旱事件特征
为分析ERA5-Land降水产品在干旱事件中的具体表现，根据干旱严重度、烈度和历时选择4次典型干旱事件（表2），分别简称D1、D2、D3、D4。D1（1986年7月至1987年4月）历时10个月，属于历时最长且严重度较高但烈度较低的干旱事件；D2（1995年3—7月）属于历时短但烈度高的干旱事件类型；D3（1998年9月至1999年6月）为过去40 a黄河流域最严重的干旱事件，干旱严重度高达8.81，峰值月份SPI平均绝对值高达2.27；D4（2013年2—5月）为历时较短且烈度和严重度均较低的干旱事件。
表2 1986—2013年黄河流域典型干旱事件特征
Tab.2
| 事件 | 起止时间 | 峰值月份 | 干旱历时/月 | 烈度 | 峰值 | 严重度 |
|---|---|---|---|---|---|---|
| D1 | 1986年7月至1987年4月 | 1986年11月 | 10 | 0.52 | 1.23 | 5.19 |
| D2 | 1995年3—7月 | 1995年5月 | 5 | 1.15 | 1.64 | 5.75 |
| D3 | 1998年9月至1999年6月 | 1999年2月 | 10 | 0.88 | 2.27 | 8.81 |
| D4 | 2013年2—5月 | 2013年3月 | 4 | 0.70 | 1.41 | 2.79 |
图9为典型干旱事件干旱峰值月份不同等级干旱的空间分布，表3为典型干旱事件峰值月份不同等级干旱的面积比。可以看出，ERA5-Land降水产品基本能够捕捉到干旱峰值的空间格局，但存在高估或低估。1986年11月，重度和极端干旱基本分布在黄河上游中部地区[图9（a）]，极端干旱面积占比9%，重度干旱面积占比26%。ERA5-Land降水产品在上游中部存在低估现象，而在中游北部存在一定高估[图9（b）]。从不同等级干旱面积占比来看，中度干旱面积存在10%高估，重度干旱和极端干旱面积分别存在5%和4%的低估。1995年5月，重度和极端干旱主要集中在黄河上游地区[图9（c）]，总干旱面积占比达95%。ERA5-Land对极端和重度干旱存在较大程度低估[图9（d）]，极端干旱面积存在20%的低估。1999年2月黄河流域98%的地区处于干旱状态[图9（e）]，极端干旱面积占比高达58%。ERA5-Land降水产品对极端干旱面积存在17%的低估。2013年3月，黄河流域干旱面积高达99%，但极端和重度干旱面积占比较低，ERA5-Land降水产品对极端和重度干旱面积分别存在19%和6%的高估，而对轻微干旱面积存在19%的低估。
图9
图9
1986年11月（a、b）、1995年5月（c、d）、1999年2月（e、f）及2013年3月（g、h）黄河流域基于CPAP（a、c、e、g）和ERA5-Land降水产品（b、d、f、h）的不同等级干旱空间分布
Fig. 9
The spatial distribution of drought with different grades based on CPAP （a， c， e， g） and ERA5-Land precipitation products （b， d， f， h） in the Yellow River Basin in November 1986 （a， b）， May 1995 （c， d）， February 1999 （e， f） and March 2013 （g， h）
表3 典型干旱事件峰值月份不同等级干旱面积占比
Tab.3
| 事件 | 峰值月份 | 无干旱 | 轻微干旱 | 中度干旱 | 重度干旱 | 极端干旱 | |
|---|---|---|---|---|---|---|---|
| CPAP | D1 | 1986年11月 | 5 | 30 | 29 | 26 | 9 |
| D2 | 1995年5月 | 5 | 12 | 24 | 23 | 36 | |
| D3 | 1999年2月 | 2 | 13 | 16 | 11 | 58 | |
| D4 | 2013年3月 | 1 | 21 | 34 | 31 | 12 | |
| ERA5-Land | D1 | 1986年11月 | 3 | 32 | 39 | 21 | 5 |
| D2 | 1995年5月 | 10 | 25 | 27 | 22 | 16 | |
| D3 | 1999年2月 | 16 | 13 | 10 | 20 | 41 | |
| D4 | 2013年3月 | 1 | 6 | 25 | 37 | 31 |
3 结论
本文通过对黄河流域1981—2020年EAR5-Land降水产品在降水、干湿状况、干旱事件特征等方面的捕捉能力进行评价和分析，得出以下结论：
（1）ERA5-Land降水产品在黄河流域存在明显的降水高估现象，其中上游高估明显，相对误差高达30.26%，中游次之，相对误差为22.28%，下游表现相对较好，相对误差为9.07%。
（2）ERA5-Land降水产品的标准化降水指数（SPI）表征的干湿状况存在一定程度高估或低估，随着SPI尺度增大，高估（或低估）幅度也增加。从12个月时间尺度的SPI表现来看，2006年以前以高估为主，以后以低估为主。
（3）1981—2020年，ERA5-Land降水产品明显高估干旱频次，但低估干旱事件持续时间。同时，干旱烈度及干旱严重度也存在不同程度的高（低）估现象。总体来看，在黄河流域上游对干旱事件特征高（低）估幅度最大，中游次之，下游最低。
（4）在典型干旱事件评价中，ERA5-Land降水产品表现一般，虽能捕捉到干旱分布区域，但不同等级的干旱面积占比误差较大，对重度干旱和极端干旱面积存在较大幅度的高估或低估。
参考文献
21世纪以来干旱研究的若干新进展与展望
[J].
干旱是中国影响范围最广、造成经济损失最严重的自然灾害之一，直接威胁国家粮食安全和社会经济发展，对干旱问题的认识和研究有助于提升国家防旱减灾能力。自新中国成立以来，中国对于干旱气象的研究取得了丰硕的成果。本文以21世纪以来中国气象局干旱气候变化与减灾重点开放实验室为平台开展的与干旱气象相关的科研项目群取得的研究成果为基础，通过成果检索，对干旱监测技术、干旱时空分布规律、干旱致灾特征、干旱灾害风险及其对气候变暖的响应以及干旱灾害风险管理与防御技术等方面的新进展进行总结和归纳。同时，基于干旱气象研究的前沿发展趋势，提出中国未来干旱气象研究应在加强气候变化背景下干旱高发区综合性干旱观测试验基础上，从不同维度和尺度定量研究干旱形成机理，构建多源数据融合和多方法结合的综合干旱监测新方法，揭示干旱致灾机理，科学评估干旱灾害风险，提出具有可执行性的风险管理策略等重点科学问题上取得突破。这对于推动中国干旱气象研究具有积极意义。
黄河流域降水格局及影响因素
[J].黄河流域位于干旱、半干旱与半湿润过渡地带，是中国重要的经济地带和生态屏障，研究流域降水时空格局及其对多驱动因素的响应具有重要意义。本文分析了近70年降水的时空格局规律、多尺度特征以及降水对不同气象要素与环流因子的响应。结果表明：黄河流域降水量呈下降趋势，降水变率为-0.88 mm/10a，而上游地区呈增加趋势。流域降水存在显著的年周期尺度；年际周期尺度为主导模态，集合经验模态分解（EEMD）的累积方差贡献率为94.85%。偏小波相干性（PWC）分析表明蒸散量为降水多尺度特征的主导气象因素，气象因素主要调制降水的季节性与年周期，环流因子主导降水的年际和年代际周期；不同类型因素的耦合可以增强对降水在所有周期尺度的解释能力。
陇东黄土高原旱区短时强降水的时空分布特征及地形影响研究
[J].利用陇东黄土高原旱区2013—2020年302个区域自动气象观测站逐小时降水数据、数字高程模型数据和欧洲中期天气预报中心ERA5再分析资料等，分析短时强降水时空分布特征及其与地形、地理因子的关系，并结合2021年一次极端短时强降水事件，总结地形的影响机制。结果表明：（1）陇东黄土高原旱区短时强降水主要集中在夏季，7月日数占比（35.9%）最多、极端性最强，8月次数占比（46.9%）最多、强度最强；雨强主要分布在22.0~31.0 mm·h<sup>-1</sup>，日变化呈多峰型特征，17：00（北京时，下同）至次日00：00最为活跃，次数占比为56.8%，且强度和极端性最强。（2）短时强降水次数和小时雨量极值空间分布极不均匀，前者东南多、西北少，且随着雨强增大骤减，高发区主要集中在河谷喇叭口地形区，而掌地也是30.0 mm·h<sup>-1</sup>以上强降水高发区；后者中部小、东北与西南大，大值区主要分布在庆城东部—合水西部。（3）地理、地形因子对短时强降水次数影响显著，主要由地理位置贡献，而对极值无明显影响，地形强迫抬升并非是陇东黄土高原旱区短时强降水的主要影响机制。（4）山谷风环流及其诱发的地面中尺度辐合线是陇东黄土高原旱区河谷喇叭口地形区短时强降水形成的重要原因。
黄土高原复杂地形区两次冰雹天气过程对比分析
[J].利用气象观测资料、多普勒天气雷达资料以及ERA5逐小时再分析资料，对2020年5月30日和31日甘肃通渭大冰雹天气过程进行对比分析。结果表明：(1)30日为干冰雹过程，而31日是混合型强对流湿冰雹过程;(2)2次过程都在同一低槽发展东移过程中产生，700 hPa影响系统的差别导致中低层水汽和能量条件不同，是2次过程出现干、湿冰雹的主要原因;(3)物理量诊断表明，31日过程能量高，水汽条件好，热力不稳定和对流不稳定度都比30日过程强，因此冰雹直径更大、降水强度更强;(4)在雷达反射率因子图上，2次过程在回波强度、回波面积及垂直结构等方面有明显差异，这对于强对流临近预警的分类识别有较大帮助。
Performance evaluation of satellite-and model-based precipitation products over varying climate and complex topography
[J].
How well do meteorological indicators represent agricultural and forest drought across Europe?
[J].
Early assessment of integrated multi-satellite retrievals for global precipitation measurement over China
[J].
Meteorological drought analysis in the lower Mekong basin using satellite-based long-term CHIRPS product
[J].
Assessment of three long-term satellite-based precipitation estimates against ground observations for drought characterization in northwestern China
[J].Long-term satellite-based precipitation estimates (LSPE) play a significant role in climatological studies like drought monitoring. In this study, three popular LSPEs (Precipitation Estimation from Remotely Sensed Information using Artificial Neural Networks–Climate Data Record (PERSIANN-CDR), Rainfall Estimates from Rain Gauge and Satellite Observations (CHIRPS) and Multi-Source Weighted-Ensemble Precipitation (MSWEP)) were evaluated on a monthly scale using ground-based stations for capturing drought event characteristics over northwestern China from 1983 to 2013. To reflect dry or wet evolution, the Standardized Precipitation Index (SPI) was adopted, and the Run theory was used to identify drought events and their characteristics. The conventional statistical indices (relative bias (RB), correlation coefficient (CC), and root mean square error (RMSE)), as well as categorical indices (probability of detection (POD), false alarm ratio (FAR), and missing ratio (MISS)) are used to evaluate the capability of LSPEs in estimating precipitation and drought characteristics. We found that: (1) three LSPEs showed generally satisfactory performance in estimating precipitation and characterizing drought events. Although LSPEs have acceptable performance in identifying drought events with POD greater than 60%, they still have a high false alarm ratio (>27%) and a high missing ratio (>33%); (2) three LSPEs tended to overestimate drought severity, mainly because of an overestimation of drought duration; (3) the ability of CHIRPS to replicate the temporal evolution of precipitation and SPI values is limited; (4) in severe drought events, PERSIANN-CDR tends to overestimate precipitation, and drought severity, as well as drought area; (5) among the three LSPEs, MSWEP outperformed the other two in identifying drought events (POD > 66%) and characterizing drought features. Finally, we recommend MSWEP for drought monitoring studies due to its high accuracy in estimating drought characteristics over northwestern China. In drought monitoring applications, the overestimation of PERSIANN-CDR for drought peak value and area, as well as CHIRPS’s inferiority in capturing drought temporal evolution, must be considered.
Evaluation of spatial-temporal variation performance of ERA5 precipitation data in China
[J].
Evaluation of the ERA5 reanalysis precipitation dataset over Chinese Mainland
[J].
Variable 21st century climate change response for rivers in high mountain Asia at seasonal to decadal time scales
[J].
Evaluation and integration of reanalysis rainfall products under contrasting climatic conditions in India
[J].
The relationship of drought frequency and duration to time scales
[C]//
ERA5-Land: a state-of-the-art global reanalysis dataset for land applications
[J].
Performance of the state-of-the-art gridded precipitation products over mountainous terrain: a regional study over Austria
[J].Grapevine wood fungal diseases such as esca are among the biggest threats in vineyards nowadays. The lack of very efficient preventive (best results using commercial products report 20% efficiency) and curative means induces huge economic losses. The study presented in this paper is centered around the in-field detection of foliar esca symptoms during summer, exhibiting a typical “striped” pattern. Indeed, in-field disease detection has shown great potential for commercial applications and has been successfully used for other agricultural needs such as yield estimation. Differentiation with foliar symptoms caused by other diseases or abiotic stresses was also considered. Two vineyards from the Bordeaux region (France, Aquitaine) were chosen as the basis for the experiment. Pictures of diseased and healthy vine plants were acquired during summer 2017 and labeled at the leaf scale, resulting in a patch database of around 6000 images (224 × 224 pixels) divided into red cultivar and white cultivar samples. Then, we tackled the classification part of the problem comparing state-of-the-art SIFT encoding and pre-trained deep learning feature extractors for the classification of database patches. In the best case, 91% overall accuracy was obtained using deep features extracted from MobileNet network trained on ImageNet database, demonstrating the efficiency of simple transfer learning approaches without the need to design an ad-hoc specific feature extractor. The third part aimed at disease detection (using bounding boxes) within full plant images. For this purpose, we integrated the deep learning base network within a “one-step” detection network (RetinaNet), allowing us to perform detection queries in real time (approximately six frames per second on GPU). Recall/Precision (RP) and Average Precision (AP) metrics then allowed us to evaluate the performance of the network on a 91-image (plants) validation database. Overall, 90% precision for a 40% recall was obtained while best esca AP was about 70%. Good correlation between annotated and detected symptomatic surface per plant was also obtained, meaning slightly symptomatic plants can be efficiently separated from severely attacked plants.
Performance of high-resolution satellite precipitation products over China
[J].
Temporal-spatial characteristics of severe drought events and their impact on agriculture on a global scale
[J].
Interpolation methods of China daily precipitation data
[J].
More frequent and widespread persistent compound drought and heat event observed in China
[J].
Droughts in a warming climate: a global assessment of standardized precipitation index (SPI) and reconnaissance drought index (RDI)
[J].
Response of vegetation to different time-scales drought across China: spatiotemporal patterns, causes and implications
[J].
Population exposure to compound droughts and heatwaves in the observations and ERA5 reanalysis data in the Gan River Basin, China
[J].
